[发明专利]基于深度学习的新生儿大脑图像分割方法及模型构建方法

说明书

本发明提供了一种基于深度学习的新生儿大脑图像分割方法及模型构建方法，对数据集中包括双模态磁共振图像和基准图像进行预处理；预构建特征强化双模态分割网络模型FedNet，用与处理后的数据集对特征强化双模态分割网络模型FedNet进行训练，将处理后的数据集输入训练好的特征强化双模态分割网络模型FedNet中，输出分割后的二维图像；对分割后的二维图像进行重建，输出和预处理前图像大小相同的已分割的新生儿大脑磁共振图像；本发明采用双通道特征强化下采样模块，通过不同模态分别进行卷积和最大池化处理，这样充分结合了双通道输出的特征信息的多样性，本发明中提出注意上采样模块，使得分割网络能够具有注意的特征，从而提升了网络分割的精准度。

技术领域

本发明属于医学图像分割领域，涉及模式识别、图像处理技术，具体涉及基于深度学习的新生儿大脑图像分割方法及模型构建方法。

背景技术

新生儿大脑损伤对于正常发育和比较早期神经发育特别不利，主要由围生期缺氧以及产伤所致。也是引起之后脑瘫、智力低下以及癫痫等疾病关键的因素。新生儿大脑磁共振图像(MRI)分割一直是临床放射科重要的一部分，它有助于检查新生儿尤其是早产儿的脑健全以及神经是否发展健全的情况，特别是可以分析出威胁大脑健康的因素从而帮助新生儿大脑的诊断。因此分割新生儿脑组织对新生儿早期脑发育的研究具有重要意义。现如今，对于新生儿大脑核磁共振的分析主要是由放射科的医生进行手工分割后主观进行检查。这样的检查不仅繁琐、耗时以及重复性差而且会由于不同的患者而发生主观上的判断。因此自动大脑的全自动分割成为了研究的必然趋势。

近年来，基于深度学习的图像分割方法发展如火如荼，并且在磁共振成像领域取得突破性进展，例如全卷积神经网络(FCN)、U-Net以及深度卷积神经网络。在大脑分割领域用的最多是U-Net网络，该网络结构由捕获上下文的收缩路径和支持精确定位的对称展开路径组成，优点在于能够从较小的数据集中得到端到端的训练，从而训练出较好的分割模型，而且在使用GPU的情况下能够更快速的分割出大脑组织。为了加快大脑分割训练模型的速度以及提高分割的精准度，数据在被用于训练网络之前都会进行预处理，主要的预处理方法有偏差场矫正、图像配准以及数据标准化处理。

相比于成人大脑分割，新生儿的脑部图像分割更具有挑战性：1)在扫描期间，新生儿不能静止不动,这就导致新生儿大脑MRI即使扫描序列很短也会显示运动伪影；2)新生儿脑部磁共振图像和成人脑部图像的同一组织的强度值有明显差别；3)在新生儿大脑中每一种组织类型表现出明显的强度不均匀化，这是由于射频的不均匀性和发育组织的生物特性的结合所导致；4)不同的组织强度特征有很大程度上的重叠，这样对于依据边界处不同组织强度不同分割是具有很大的难度。综上所述，如何在新生儿大脑磁共振组织分割算法上进行改进，使得分割的速度加快并且提高分割的精准度是急需面对的一项挑战。

发明内容

针对现有技术存在的不足，本发明的目的在于，提供基于深度学习的新生儿大脑图像分割方法及模型构建方法，解决现有技术中对于多分割任务分割效果差的技术问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

基于深度学习的新生儿大脑图像分割模型构建方法，该方法包括以下步骤：

步骤1，获得新生儿大脑磁共振图像的数据集，将数据集中的双模态新生儿大脑磁共振图像和基准图像进行第一预处理，得到大小一致的二维双模态磁共振图像和二维基准图像；

所述的数据集中包括双模态新生儿大脑磁共振图像和基准图像；

步骤2，预构建特征强化双模态分割网络模型FedNet；

所述的特征强化双模态分割网络模型FedNet包括4个双通道特征强化下采样模块和4个注意上采样模块；